Weights & Biases

Weights & Biases (W&B veya Python paketinden sonra wandb), makine öğrenimi operasyonları (MLOps) için model eğitimi çalışmalarını kaydeden, görselleştiren ve karşılaştıran bir geliştirici platformudur. Bir PyTorch veya başka bir eğitim betiğine eklenen birkaç satır; öğrenme oranı ve yığın boyutu gibi her çalışmanın yapılandırmasını, ölçümleri, GPU istatistiklerini ve çıktı dosyalarını barındırılan bir panoya gönderir. Ekipler burada deneyleri karşılaştırır, sonuçları yeniden üretir ve bir modeli hangi verilerin ve ayarların oluşturduğunu izler. W&B, deney takibinin yanı sıra hiperparametre ayarlama, veri kümesi ve model sürümleme, bir model kayıt defteri ve Weave ürünü aracılığıyla büyük dil modeli (LLM) uygulamalarının izlenmesi ve değerlendirilmesi özelliklerini de sunar. GPU bulut sağlayıcısı CoreWeave, Weights & Biases satın alımını Mayıs 2025'te tamamladı ve W&B belgeleri artık CoreWeave belgeleri sitesinde yer alıyor.

Temel Özellikler#

• Deneyler: wandb.init() bir çalışma başlatıp yapılandırmasını kaydeder; wandb.log() ise her adımda ölçümleri, görüntüleri ve tabloları kaydeder. SDK ayrıca GPU kullanımı ve bellek gibi sistem ölçümlerini örnekleyerek veri yükleme darboğazlarını görünür kılar.
• Tarama çalışmaları: Izgara, rastgele veya Bayesçi yöntemlerle yapılan otomatik hiperparametre aramalarıdır. Deneme çalıştırmalarını birçok makinede paralel olarak yürüten aracılar ve zayıf çalıştırmaları isteğe bağlı olarak erken sonlandırma özelliği içerirler.
• Yapıtlar: Sürümlenmiş veri kümeleri, model kontrol noktaları ve diğer dosyalar; her sürümü hangi çalışmanın kullandığını veya ürettiğini gösteren köken grafikleriyle birlikte sunulur.
• Kayıt defteri: Ekiplerin dağıtıma doğru ilerletmek için onaylanmış model ve veri kümesi sürümlerini tanıttığı düzenlenmiş bir katalog.
• Raporlar: Çalışmalardaki canlı grafikleri yazılı analizle birleştiren, paylaşılabilir belgeler.
• Weave: LLM ve ajan uygulamaları için izleme, değerlendirme ve maliyet takibi.

Bir süpürme, aramayı eğitimden ayırır: Bir denetleyici arama durumunu tutar ve yapılandırmalar önerir; istendiği sayıda ajan bu yapılandırmaları alır, eğitim yapar ve hedef ölçümü geri bildirir.

Ultralytics YOLO ile W&B Kullanımı#

Ultralytics YOLO, varsayılan olarak kapalı olan yerleşik bir W&B entegrasyonuyla gelir. Bu entegrasyonu Ultralytics ayarlarında etkinleştirdiğinde her eğitim çalıştırması, bağımsız değişkenlerin tam listesini, dönem başına kayıpları ve öğrenme oranlarını, kesinlik, duyarlılık ve ortalama hassasiyet (mAP) gibi doğrulama ölçütlerini ve kaydettiği grafikleri günlüğe yazar. Çalıştırmanın sonunda best.pt değerini model yapıtı olarak, etkileşimli kesinlik-duyarlılık ve güven eğrileriyle birlikte yükler. Bu best.pt yapıtları daha sonra tahmin, dışa aktarma veya dağıtım için Ultralytics Platform'a aktarılabilir.

import os

from ultralytics import YOLO, settings

# API anahtarı olmadan yerel olarak günlüğe yaz; "wandb sync" ile daha sonra yükle veya "wandb login" komutunu çalıştır ve bu satırı ekle
os.environ["WANDB_MODE"] = "offline"

# Yerleşik W&B geri çağrısını etkinleştir ("pip install wandb" gerekir; Ultralytics ayarları dosyasına kaydedilir)
settings.update({"wandb": True})

# project ve name, W&B proje ve çalışma adlarına dönüşür
model = YOLO("yolo26n.pt")
model.train(data="coco8.yaml", epochs=5, project="yolo26-experiments", name="baseline")

Aynı project değerini paylaşan ve name bakımından farklılık gösteren eğitim çalışmaları tek bir W&B projesinde yan yana görünür. Böylece farklı model boyutlarına, görüntü boyutlarına veya artırma ayarlarına sahip çalışmalar tek bir panoda karşılaştırılabilir.

W&B ve İlgili Terimler#

• Model ağırlıkları ve yanlılıklar: Platformun adı, sinir ağının öğrenilebilir parametrelerini ifade eder. Ağırlıklar her nöronun girdilerini ölçeklendirir, yanlılıklar aktivasyon işlevinden önce çıktıyı kaydırır ve geri yayılım her ikisini de günceller. Platform, eğitim sırasında bu değerlerin dağılımlarını ve gradyanlarını günlüğe kaydedebilir.
• MLflow: Modelleri izlemek, paketlemek ve kaydetmek için kullanılan, ekiplerin çoğunlukla kendi sunucularında barındırdığı açık kaynaklı bir platform. W&B ise öncelikle yönetilen bir hizmettir; kurumsal müşteriler için kendi sunucularında barındırma seçenekleri de sunar.
• TensorBoard: PyTorch ve TensorFlow eğitim günlükleri için kullanılan yerel bir görselleştirme aracı; W&B'nin barındırılan iş birliği, süpürme veya kayıt defteri özelliklerini sunmaz.